CarryOn：面向个性化与可靠机器人辅助的双循环支撑框架

基于摘要分析。CarryOn 研究通用 vision-language-action（VLA）模型用于机器人辅助时的个性化与执行可靠性问题，提出围绕冻结 VLA 策略构建的双循环支撑框架，将持久用户偏好、场景上下文、安全监督和失败恢复结合起来，而非直接更新底层策略。 规划循环维护用户级与场景级持久上下文，持续结合新观测进行校准，并通过交互修订，使跨对话、场景变化下的子任务选择与执行符合用户偏好。执行循环监督策略执行过程，针对预测到的危险接触屏蔽动作；发生执行失败后，调用可复用的基于控制的恢复技能以恢复任务进度，并通过对既往失败的反思改进这些技能。摘要未披露上下文表示、危险预测机制、控制技能实现及反思更新细节。 作者报告在真实机器人与仿真中进行了评估，系统能够跨用户和场景分派符合偏好的子任务；以已经过安全微调的 VLA 为对照，违规率由 52.6% 降至 6.1%；在复用经改进的恢复技能时，恢复成功率由 13% 升至 80%。摘要未明确这些数值各自对应真实机器人还是仿真，也未提供任务分布、试验次数、违规判据与恢复成功判据，因而不能据此判断统计稳健性或跨设置泛化能力。 复现时需核对底层冻结策略、上下文更新规则、安全监督接口、恢复技能库及其改进流程，并核验实验协议、消融及统计信息。该工作的主要对象是机器人任务规划与控制，摘要未提供 EEG/BCI 输入、神经信号建模或相应验证，不能将其结果视为 BCI 有效性的证据。